学习笔记：基于GMM的语音转换（超详细）

基于高斯混合模型的语音转换（Voice conversion based on Gassian mixture model）

任务：
把说话人A的声音转换成说话人B的声音，保持语义信息不变。
实验部分：男女声转换

概述

语音合成任务：

• 语音转换（Voice Conversion, VC）
• 文语转换（Text to Speech, TTS）
• 语音生成（Voice Generation, VG）

今天主要学习语音转换VC任务。

语音转换

将语音经过预处理特征分析提取，然后特征配准，再训练一个转换模型，得到映射关系。

特征提取

红框部分，就是声码器的工作，分解信号，合成信号。
1.常用声码器：World，STRAIGHT, Griffin-Lim（具体原理搜我博客）
2. 如这次用到的STRAIGHT，将信号分解为三部分：
---- F0基频（浊音）：反映声音语调，声音的整体调域。
---- 频谱（梅尔倒谱）：主要特征，反映声音中的细节，大部分语义信息，说话人信息。
----非周期特征（清音）：反映声音中非周期变化。

特征对齐

最常用的就是动态时间规则DWT算法（具体原理搜我博客）。

为了解决原语音与目标语音不等长问题，DWT算法根据相似性，建立了对应关系，形成源+目标特征对。

转换模型

基于GMM的特征映射
任务： 已知联合分布，求解条件分布。
原理： 假设原始语音x，目标语音y都是高斯的，所以联合起来也是高斯的。利用若干个高斯如m个，来拟合信号的分布。训练一个GMM模型，就能得到联合分布的均值，方差，就可以求条件分布。

具体来看y是如何求解的？
条件概率的求解

第一部分：已知输入信号x，该x属于每一个高斯成分m=1~M的概率。

第二部分：在这个第m个高斯下，已知x，能产生出y的概率。

其中，E和D都有闭式解：

这样，就能求解y：

可以看到，一个xt算一个yt，就是最小均方误差求解。这种转换算法效果差点，是因为没有考虑帧间信息。

转换模型改进

针对GMM转换存在问题，2007年Toda等人提出了改进方法。

主要改进了三部分：
1.引入动态成分
2.将最小均方误差估计，改为最大似然估计。评估一组数据，而不是单一一帧，充分考虑序列整体性。
3.引入全局方差（GV，Global Variance）。使最终转换结果与目标分布更加接近。

具体算法：
1.此时，x不再是一帧一帧，而是一组帧，T帧，y也是。

2.引入相邻帧之间的差值（动态成分）：

Y和y之间关系为：Y=W*y

3.从而得到序列X和Y，还有联合特征的数据：

4.用最大似然估计求解：

要让上面式子值最大。
每部分含义和上面的类似。
第一部分：已知输入X的第t帧，该Xt属于每一个高斯成分m=1~M的概率。

第二部分：在这个第m个高斯下，已知X，能产生出Y的概率。

推导可得，当E和D等于如下值时，似然值最大：

为了计算简便，对似然函数进行了化简：
定了哪个m，只取概率最大的那个m。

最终解：
将Y=W*y代入，得：

这样就实现了序列级别的转换。

代码实现

用机器学习中常用的库函数sklearn。

import sklearn.mixture
from sklearn.mixture.gaussian.mixuture import _compute_precious_cholesky

E的具体函数如下：

D的函数，还有转换函数：

全局方差的实现：
对转换后的特征方差分布，进行调整，使其符合目标特征的方差分布。

算法实现

下面介绍具体的GMM语音转换。

1. 数据准备：如男女声声音文件各70条。

2. 特征提取：
   ---- F0基频（浊音）：反映整个声音的整体调域。
   ----mcep 频谱（梅尔倒谱）：主要特征，反映声音中的细节，大部分语义信息，说话人信息。
   ----ap非周期特征（清音）：反映声音中非周期变化。
   ----npow：反映每帧能量，为了去静音帧。

3. 统计信息计算：F0均值方差（单高斯转换），mcep的方差的均值和方差GV（GMM转换），利用GV进行特征修正（计算训练数据转换后的特征的方差的均值和方差）

4. 特征配对：DWT

5. 训GMM：训mcep特征对，训好的叫converter

6. 特征修正：计算训练数据输入converter后，即转换后的特征方差的均值和方差

代码：GMM语音转换

工程目录包含：
config.py：相关参数设置
feature.py：特征提取
statistics.py：计算统计特征（GV）
jointfeature.py：特征配对
model.py：训练GMM，生成转换器，GV修正
main.py：主函数

比如config.py里：

config_all={
    "path_fea":"data/",
    "path_model":"model/",
    
    "Feature":{   
    "fs": 22050,
    "minf0":40,#搜索范围
    "maxf0":700, 
    "shiftms":4.988662131519274,#与fs对应
    "fftl":1024,
    # mecp 部分
    "dim_mcep":34, #
    "alpha" :0.455   
    },
    
    "GMM-mcep":{
    "sd":1, # mcep特征从第1维往后，不要第0维（DFT第一维表示均值，直流分量）
    "n_mix": 32, #混合成分
    "n_iter": 100, #训练迭代次数
    "cvtype": "mlpg", #转换方式最大似然
    },
   
    "GV_morph_coeff": 1.0 #GV修正系数
}

新建三个文件夹：
scp：存放训练数据描述文件
data：存放提取的特征
model：存放GMM模型，及f0和GV参数

下载数据集：
VCC2018公共数据集